DeepAnalyze实操手册：如何通过API对接钉钉/飞书机器人，实现消息触发式文本分析

DeepAnalyze实操手册：如何通过API对接钉钉/飞书机器人，实现消息触发式文本分析

1. 为什么你需要“消息触发式”的文本分析？

你有没有遇到过这些场景：

• 团队在钉钉群里激烈讨论一份产品需求文档，但没人有时间逐字精读，最后关键信息被忽略；
• 飞书多维表格里新增了一条客户投诉反馈，需要立刻判断情绪倾向和核心问题，却要手动复制粘贴到另一个工具里分析；
• 每天收到几十条销售日报、会议纪要、用户访谈记录，想快速抓取重点，但人工摘要耗时又容易遗漏。

这些问题的共性是：文本就在那里，但洞察总慢半拍。
而DeepAnalyze的价值，从来不只是“能分析”，而是“在对的时间、对的地点、自动给出对的结论”。

本文不讲怎么部署Ollama，也不重复Web界面操作——那些你已经会了。
我们直接切入工程落地最实用的一环：让DeepAnalyze不再是个静态网页，而是你工作流里会主动思考的AI同事。
它能监听钉钉群里的@消息、飞书机器人的关键词，自动提取文本、调用本地大模型完成深度分析，并把结构化报告原路发回聊天窗口。

整个过程无需公网暴露、不上传任何数据、不依赖第三方API，全部在你自己的服务器上闭环完成。

2. 理解DeepAnalyze的API能力边界

2.1 它不是通用大模型接口，而是“专业分析师”接口

DeepAnalyze的API设计从一开始就拒绝“万能”。它不支持闲聊、不生成诗歌、不写代码——它只做一件事：把一段中文文本，变成三段式专业报告。

当你调用它的API时，实际是在向一位坐在你服务器里的资深文本分析师提问：“请用以下格式回答：①核心观点（30字内）；②关键信息（分点罗列，每点≤20字）；③潜在情感（中性/积极/消极，附1句依据）”。

这个“三段式”不是技术限制，而是产品选择。它确保每次输出都可预期、可解析、可嵌入业务系统。

2.2 API端点与请求结构（极简版）

DeepAnalyze镜像启动后，默认提供两个关键接口：

• POST /analyze：主分析接口，接收纯文本，返回结构化JSON
• GET /health：健康检查，确认服务就绪（用于自动化脚本轮询）

一个典型请求长这样（无须Token，无认证）：

curl -X POST http://localhost:8080/analyze \ -H "Content-Type: application/json" \ -d '{"text": "这款手机电池续航太差了，充一次电只能用半天，但拍照效果确实惊艳，色彩很真实。"}'

响应示例（已格式化）：

{ "core_insight": "用户对手机续航极度不满，但高度认可拍照能力", "key_points": [ "电池续航仅支持半天使用", "充电频率高影响使用体验", "拍照色彩还原真实", "影像表现是核心优势" ], "sentiment": { "label": "混合", "evidence": "前半句强调续航差，后半句转向拍照惊艳" } }

注意三个细节：

• 输入只需text字段，不需构造复杂Prompt；
• 输出字段命名直白（core_insight而非summary），方便前端直接映射；
• sentiment.label固定为中性/积极/消极/混合四选一，避免NLP模型常见的模糊输出。

2.3 为什么必须用本地API？公有云方案的隐形代价

有人会问：为什么不直接用钉钉/飞书自带的AI机器人？或者调用通义千问API？

答案藏在三个现实约束里：

尤其当你要分析的是“Q3销售策略草案”或“竞品尽调报告”这类文档时，快0.5秒不重要，但数据不出内网，就是底线。

3. 钉钉机器人对接实战：从创建到自动分析

3.1 在钉钉后台配置自定义机器人

这不是“复制 webhook 地址”就完事的简单操作。DeepAnalyze需要的是能接收并解析钉钉消息结构的机器人，因此必须启用“自定义”类型，并勾选关键选项：

1. 进入钉钉群 → 群设置 → 智能群助手 → 添加机器人 → 选择“自定义”
2. 填写机器人名称（建议叫“DeepAnalyze-文本分析师”）
3. 关键一步：在安全设置中，选择“加签”方式（非IP白名单），因为我们的服务将部署在内网，无法提供固定公网IP
4. 保存后，你会获得：
   • Webhook URL（形如https://oapi.dingtalk.com/robot/send?access_token=xxx）
   • 加签密钥（用于验证消息来源真实性）

为什么选“加签”？
钉钉要求所有来自机器人的回调必须携带时间戳+密钥生成的签名。DeepAnalyze的Python服务内置了标准验签逻辑，能自动拒绝伪造请求，这是保障安全的第一道门。

3.2 编写轻量级中转服务（Python + Flask）

我们不需要重写整个服务，只需一个20行的中转层，负责三件事：验签 → 提取文本 → 调用DeepAnalyze → 格式化回传。

# dingtalk_proxy.py from flask import Flask, request, jsonify import hmac import hashlib import time import requests import json app = Flask(__name__) DEEPANALYZE_URL = "http://localhost:8080/analyze" DINGTALK_WEBHOOK = "https://oapi.dingtalk.com/robot/send?access_token=xxx" SECRET = "your_dingtalk_secret" def verify_signature(timestamp, sign, secret): message = f"{timestamp}\n{secret}" hmac_code = hmac.new(secret.encode(), message.encode(), digestmod=hashlib.sha256).digest() return sign == hmac.base64.b64encode(hmac_code).decode() @app.route('/webhook', methods=['POST']) def handle_dingtalk(): data = request.get_json() # 1. 验证签名 timestamp = data.get('timestamp') sign = data.get('sign') if not (timestamp and sign and verify_signature(timestamp, sign, SECRET)): return "Invalid signature", 403 # 2. 提取文本：支持@机器人 + 文本，或纯文本消息 text = "" if 'atUsers' in data and any(u.get('atMobile') == 'all' for u in data['atUsers']): text = data.get('text', {}).get('content', '').strip() elif 'text' in data: text = data.get('text', {}).get('content', '').strip() if not text or len(text) < 10: # 过滤过短文本 return jsonify({"errcode": 0, "errmsg": "文本过短，请输入至少10字"}), 200 # 3. 调用DeepAnalyze try: resp = requests.post(DEEPANALYZE_URL, json={"text": text}, timeout=30) result = resp.json() except Exception as e: return jsonify({"errcode": 1, "errmsg": f"分析失败：{str(e)}"}), 200 # 4. 构造钉钉Markdown消息 markdown_content = f"### 深度分析报告\n\n**核心观点**\n> {result['core_insight']}\n\n**关键信息**\n" for point in result['key_points']: markdown_content += f"- {point}\n" markdown_content += f"\n**情感倾向**\n> {result['sentiment']['label']}（依据：{result['sentiment']['evidence']}）" # 发送回钉钉 requests.post(DINGTALK_WEBHOOK, json={ "msgtype": "markdown", "markdown": {"title": "文本分析结果", "text": markdown_content} }) return jsonify({"errcode": 0, "errmsg": "ok"}), 200 if __name__ == '__main__': app.run(host='0.0.0.0', port=5000)

部署要点：

• 将此脚本与DeepAnalyze容器部署在同一台服务器（推荐Docker Compose编排）
• 使用gunicorn启动（非Flask默认开发服务器），命令：gunicorn -w 2 -b 0.0.0.0:5000 dingtalk_proxy:app
• 钉钉机器人Webhook地址需指向该服务公网IP+端口（如http://your-server-ip:5000/webhook）

3.3 实测效果：一句话触发专业分析

在钉钉群中发送：

@DeepAnalyze-文本分析师 这份用户调研显示，72%的受访者认为价格偏高，但89%认可产品易用性，建议优先优化定价策略。

3秒后，机器人自动回复：

深度分析报告

核心观点
用户普遍认为价格过高，但高度认可产品易用性，建议调整定价

关键信息

• 72%受访者明确指出价格偏高
• 89%用户肯定产品易用性
• 定价策略被列为首要优化方向

情感倾向

混合（依据：前半句负面评价价格，后半句正面肯定易用性）

整个过程无需人工干预，文本未离开企业内网，分析结果直接沉淀在协作上下文中。

4. 飞书机器人对接：适配不同消息结构的技巧

4.1 飞书消息解析的关键差异

飞书机器人的消息体结构与钉钉不同，主要体现在：

4.2 飞书专用中转服务（精简版）

# feishu_proxy.py import json import hmac import hashlib from flask import Flask, request, jsonify import requests app = Flask(__name__) DEEPANALYZE_URL = "http://localhost:8080/analyze" FEISHU_WEBHOOK = "https://open.feishu.cn/open-apis/bot/v2/hook/xxx" def verify_feishu_signature(timestamp, signature, body, secret): # 飞书签名算法：HMAC-SHA256(密钥, 时间戳+"\n"+请求体) string_to_sign = f"{timestamp}\n{body}" hmac_code = hmac.new(secret.encode(), string_to_sign.encode(), hashlib.sha256).digest() expected = hmac.base64.b64encode(hmac_code).decode() return signature == expected @app.route('/feishu-webhook', methods=['POST']) def handle_feishu(): timestamp = request.headers.get('X-Feishu-Timestamp') signature = request.headers.get('X-Feishu-Signature') body = request.get_data(as_text=True) if not verify_feishu_signature(timestamp, signature, body, "your_feishu_secret"): return "Invalid signature", 403 event = json.loads(body) # 飞书content是JSON字符串，需再解析 content = json.loads(event['event']['message']['content']) text = content.get('text', '').strip() # 仅处理以“分析：”开头的消息，避免误触发 if not text.startswith("分析："): return jsonify({"challenge": event.get("challenge")}) # 飞书心跳响应 text = text[3:].strip() # 去掉前缀 # 调用DeepAnalyze（同钉钉逻辑） result = requests.post(DEEPANALYZE_URL, json={"text": text}).json() # 构造飞书富文本卡片 card = { "config": {"wide_screen_mode": True}, "elements": [ {"tag": "div", "text": {"content": f"**核心观点**\n{result['core_insight']}", "tag": "lark_md"}}, {"tag": "div", "text": {"content": "**关键信息**", "tag": "plain_text"}}, ] } # ...（此处省略关键信息列表与情感部分的卡片构建） requests.post(FEISHU_WEBHOOK, json={"msg_type": "interactive", "card": card}) return jsonify({"challenge": event.get("challenge")}) if __name__ == '__main__': app.run(host='0.0.0.0', port=5001)

飞书实测提示：

• 在飞书机器人管理后台，将“事件订阅”中的message事件开启，并配置/feishu-webhook为请求URL
• 测试时发送：分析：本次融资后，公司将加速AI医疗产品研发，预计Q4上线首个临床辅助模块
• 飞书卡片支持折叠/展开，关键信息可用expandable属性优化长列表阅读体验

5. 生产环境加固与运维建议

5.1 防止消息风暴的熔断机制

当大量用户同时@机器人时，Ollama可能因GPU显存不足而崩溃。我们在中转服务中加入两级保护：

1. 请求队列限流：使用redis作为消息队列，单实例每分钟最多处理60次请求
2. Ollama健康检查：每次调用前，先GET/health，若超时则返回友好提示：“AI分析师正在深度思考中，请稍候再试”

# 在调用analyze前插入 import redis r = redis.Redis(host='localhost', port=6379, db=0) if r.incr('dingtalk_request_count') > 60: r.expire('dingtalk_request_count', 60) # 60秒后重置 return jsonify({"errcode": 1, "errmsg": "请求过于频繁，请1分钟后重试"}), 200

5.2 日志追踪：让每一次分析可审计

DeepAnalyze本身不记录原始文本，但中转服务应记录关键元数据：

日志格式建议（JSON Lines）：

{"request_id":"req_xyz456","source":"feishu_doc_2024","text_length":89,"response_time_ms":312,"status":"success"}

5.3 故障自愈：当Ollama意外退出时

DeepAnalyze的“自愈合”特性仅覆盖启动阶段。生产中需补充守护逻辑：

• 使用systemd配置服务依赖：After=ollama.service
• 编写监控脚本，每30秒检查curl -s http://localhost:11434/api/tags \| grep llama3，若无输出则执行systemctl restart ollama
• 在Docker Compose中添加restart: unless-stopped与healthcheck

6. 总结：让AI分析真正融入你的工作流

6.1 你已掌握的核心能力

• 零信任架构实践：所有文本分析在内网完成，不依赖任何外部API，满足金融、政务等强合规场景
• 消息协议适配能力：理解钉钉/飞书消息结构差异，能快速扩展至企业微信、Slack等平台
• 生产级防护意识：从签名验签、请求限流到日志审计，覆盖API对接全生命周期风险点
• 结果即服务（RaaS）思维：不把AI当黑盒，而是将其输出结构化为可编程的数据字段（core_insight/key_points）

6.2 下一步可以探索的方向

• 与低代码平台集成：将分析结果自动写入飞书多维表格的“分析结论”列，触发审批流；
• 定制化情感标签：针对行业术语训练专属情感词典（如医疗领域“疑似”=中性，“确诊”=消极）；
• 多文本对比分析：扩展API支持传入多个文本ID，返回交叉对比报告（“三份竞品PR稿的核心主张差异”）。

真正的AI生产力，不在于模型参数有多大，而在于它能否在你最需要的那一刻，安静、准确、可靠地给出答案。DeepAnalyze做的，就是把那个时刻，从“手动打开网页→粘贴→点击→复制”压缩成一次群内@。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。